视觉认知

视觉认知是认知科学中历史最悠久、证据链最完整的子领域。从 Hubel 与 Wiesel 在猫的 V1 皮层插入微电极开始，到今天用 fMRI 重建人脑正在观看的图像，视觉研究始终走在认知神经科学方法论的最前沿。本讲沿着「光信号 → 神经表征 → 主观体验 → 物体识别」的完整链路展开。

学完本讲你应该能够回答：光子进入眼睛后发生了什么？为什么需要侧抑制？为什么不同脑区负责不同的视觉属性？心理表象是「图」还是「句子」？物体识别为什么没有"模板"那么简单？交互激活模型如何解释词优效应？脑成像如何"读"出你正在看什么？

第一部分解决一个看似简单的问题：当你睁开眼睛看见一个红色的苹果时，信号从光子被吸收到大脑产生「红色、圆形、苹果」的感知，中间经历了什么？神经科学半个多世纪的研究已经基本厘清这条通路——从视网膜上 1.3 亿个光感受器，到初级视皮层 V1 简单的方位选择性细胞，再到 V5 对运动方向的精确编码。这条通路遵循一条基本设计原则：层级聚合。每往上一步，神经元整合的视野范围更大、特征更抽象。

视网膜与光感受器：视觉通路的起点

人眼视网膜上有两类光感受器（photoreceptor）。它们在功能上的分工是视觉信息处理的第一道"分拣"。

光感受器并不直接连到大脑。从感光到信号送出视网膜要经过中间神经元的两层处理：

• 双极细胞 (Bipolar cells)：把光感受器的信号前向传给神经节细胞。
• 水平细胞 (Horizontal) 与无长突细胞 (Amacrine)：在同一层内做侧向 (lateral) 信号整合，正是后面要讲的「侧抑制」的细胞学基础。
• 神经节细胞 (Ganglion cells)：视网膜的输出细胞，其轴突汇聚成视神经 (optic nerve)。

简化信号流：从视网膜到初级视皮层

从信号流的角度，视觉信息走过的关键节点可以压缩为一条七站链：

graph TD
  A["光感受器
Rods and Cones"] --> B["双极细胞
Bipolar"]
  B --> C["神经节细胞
Ganglion"]
  C --> D["视交叉
Optic Chiasm"]
  D --> E["外侧膝状体
LGN"]
  E --> F["V1 初级视皮层
Primary Visual Cortex"]
  F --> G["高级视觉区
V2 V3 V4 V5"]
  G --> H["物体识别
Object Recognition"]

  A -- "光转电" --> B
  B -- "中心-周围
拮抗结构" --> C
  C -- "动作电位
沿视神经" --> D
  D -- "左右视野
分离重组" --> E
  E -- "中继与门控" --> F
  F -- "方位/眼优势
柱状组织" --> G
  G -- "功能特化" --> H

  classDef node fill:#6366f126,stroke:#6366f1,color:#e8e8f0;
  classDef endnode fill:#ec48992e,stroke:#ec4899,color:#fce7f3;
  class A,B,C,D,E,F,G node;
  class H endnode;

其中两个节点需要特别说明：

感受野 (Receptive Field)：神经元的"窗口"

理解视觉通路的关键概念是感受野。Hubel 与 Wiesel 因对猫和猴 V1 神经元的系统研究获得 1981 年诺贝尔生理学或医学奖，其核心发现就是层级式感受野。

视觉通路上的几类典型 RF 单元：

把 Hubel-Wiesel 的发现抽成一句话：高级特征 = 低级特征的空间聚合。这个原则贯穿整个视觉通路：

• V1 简单细胞 = 一排 ON-OFF 中心的汇聚
• V1 复杂细胞 = 多个简单细胞（覆盖位置变化）的汇聚
• V5/MT 方向细胞 = 多个复杂细胞（覆盖运动速度）的汇聚
• 颞下皮层 (IT) 面孔细胞 = 多个部件检测器（眼/鼻/嘴）的汇聚

侧抑制 (Lateral Inhibition)：边缘增强的算法

侧抑制是神经科学里最简洁、最可视化的算法之一。Mach 在 19 世纪描述的现象 (Mach Bands) 是它的经典例证。

功能特化 (Functional Specialization)

从 V1 往上，视觉皮层分裂成多个并行通路。1982 年 Ungerleider 与 Mishkin 提出著名的腹背流 (ventral-dorsal stream) 假说，把高级视觉分成"What"和"Where"两条通路：

在每个流内部又有更细的特化。最有说服力的证据来自脑损伤 (lesion) 研究：

感觉绑定问题 (Sensory Binding Problem)

功能特化引出了一个深刻的理论难题：

三种主要假说：

• 同步振荡假说 (Binding by synchrony)：属于同一物体的神经元在 $40\,$Hz 附近同步发放，跨区域振荡是"装配标签"（Singer、Engel 等的猫 V1 实验）。
• 位置假说 (Binding by location)：因为 V1 的视网膜拓扑映射 (retinotopic map)，空间位置天然绑定——同一位置激活的多种特征被自动归到一起。
• 注意假说 (Feature Integration Theory, FIT)：Treisman 提出，绑定需要空间注意把不同特征"粘合"到主图 (master map) 上。下一章「注意力」会详细讨论。

第二部分从「看见」跨越到「想象」。当你闭上眼睛想象一只猫在你家客厅里跑，脑海里的那只猫——它是「图」还是「句子」？这个问题曾经让认知科学分裂成两个阵营。

为什么心理表象的研究困难

心理表象 (mental imagery) 在 20 世纪上半叶是认知心理学的禁区。行为主义把不能直接观察的内部状态排除在科学之外——你无法称量一只想象的猫，无法用尺子量一段想象的路程。直到 1960 年代认知心理学革命，内部表征 (internal representations) 重新成为合法研究对象，心理表象才得以"复活"。

模拟 vs 命题之争

心理表象的表示格式是什么？这是 1970-80 年代认知心理学最激烈的争论之一。争论双方提出了截然不同的表示假设。

支持模拟表示的三大经典证据

三类实验证据强有力地支持了"心理表象是模拟的"假说：

认知地图的扭曲：表象不是「完美复制」

但表象不是视觉的"完美复刻"。一个重要现象是认知地图 (cognitive map) 中的系统性扭曲——人们在头脑中持有的地理空间表征，受到概念知识的强烈影响。

表象与感知的对比：分辨率与错觉

但表象和感知也有不同：

• 表象中物体的大小受注意力影响：蜜蜂旁的兔子没有大象旁的兔子"细节丰富"（Russell's 兔子头）。
• 表象受错觉影响（如 Ponzo 错觉），但效应比真实视觉弱。
• 表象不易重读，如 Necker 立方体（一旦按一种方式"看见"了，另一种解释很难想象出来）。

第三部分解决认知科学中"最难的问题之一"：物体识别 (object recognition)。我们能在 $100$ ms 内从一瞥中认出物体——"这是一只猫"——而不论它的视角、大小、颜色、姿态、光照如何变化。这种不变性 (invariance) 至今是计算机视觉的核心难题。

为什么物体识别难：视角与形变的不变性

同一个物体在视网膜上的成像可以差异巨大：

• 旋转、缩放、位移 (translation, rotation, scale)
• 光照变化、遮挡、变形
• 同类物体的"例间变化" (intra-class variation)：猫和猫的差异

认知系统必须找到一个"与具体图像无关"的物体本质。四大经典识别理论以不同方式回答"什么是不变的"：

理论 1 · 模板匹配 (Template Matching)

最朴素的想法：识别 = 比对。预先存储一组"模板"（标准图案），把输入和每个模板比较，匹配最好的就识别为该模板代表的物体。

理论 2 · 特征理论 (Feature Theories)

Selim Selfridge 1959 年的 "Pandemonium" 模型是特征理论的早期实现。核心思想：

优势：

• 部分遮挡时仍可识别（局部特征存在即可）。
• 特征检测器可以独立工作，支持并行处理。
• 神经上有对应物——Hubel-Wiesel 的"条形检测器"就是特征检测器的神经实现。

致命问题：

这个缺陷直接催生了下一个理论：结构理论 (structural theories)，核心是「物体 = 特征 + 特征间关系」。

理论 3 · 成分识别 / RBC (Biederman 1987)

Irving Biederman 在 1987 年提出成分识别理论 (Recognition-By-Components, RBC)，把结构信息显式纳入模型。

为什么是这 24 个 geon？它们的选择基于一个关键概念：非偶然属性 (non-accidental properties, NAPs)。

graph TD
  A["3D 物体"] --> B["分线 (line drawing)"]
  B --> C{"识别 geons
(24 个几何体)"}
  C --> D["Geon 1: 圆柱"]
  C --> E["Geon 2: 圆锥"]
  C --> F["Geon 3: 立方块"]
  C --> G["..."]
  D --> H["空间关系 (NAPs)"]
  E --> H
  F --> H
  G --> H
  H --> I["结构描述
Structural Description"]
  I --> J["物体识别
Object Recognition"]

  classDef node fill:#6366f11f,stroke:#6366f1,color:#e8e8f0;
  classDef endnode fill:#22c55e2e,stroke:#22c55e,color:#dcfce7;
  class A,B,C,D,E,F,G,H,I node;
  class J endnode;

RBC 的预测：

• 当物体的 geon 可以被恢复时，识别较快；
• 破坏顶点 (vertices)（连接两个 geon 的关键点）比简单删除线条更影响识别——因为顶点是 geon 划分的依据。

RBC 的局限：

1. 结构描述不够：要区分两把不同的椅子，仅靠 geon 组合不够——需要尺寸、比例、纹理等度量信息 (metric information)。
2. 难以从真实图像提取 geon：分线提取、顶点检测在噪声图像上很困难。
3. 忽略颜色/纹理：许多物体（橘子 vs 葡萄柚）靠颜色和纹理区分，geon 一样。

理论 4 · 构型模型 (Configural / Exemplar Models)

构型模型把焦点从"抽象结构"转向"具体例子的分布"。

最有名的预测：

构型效应在倒置时消失 (Face Inversion Effect)：

• 正立时，识别一张脸更多依赖整体构型 (configural processing)。
• 倒置时，构型处理被破坏，被试退回到局部部件分析，识别能力急剧下降。

这是构型模型独有的预测——RBC 不会预测倒置效应（它对正立/倒立一视同仁）。

词优效应与交互激活模型 (IA Model)

物体识别中上下文 (context) 的影响是另一个关键问题。最经典的实验是词优效应 (Word Superiority Effect)。

这种"高层影响低层"的现象不能用纯 bottom-up 解释。McClelland & Rumelhart 1981 年提出交互激活模型 (Interactive Activation, IA Model)，把视觉识别形式化为三层神经网络：

graph TD
  L0["特征层 (Feature)
笔画/线段/角点"]
  L1["字母层 (Letter)
A B C ... Z"]
  L2["词层 (Word)
CATS WORK DARK ..."]
  L0 -- "Bottom-up
特征激活字母" --> L1
  L1 -- "Bottom-up
字母激活词" --> L2
  L2 -. "Top-down
词激活字母" .-> L1
  L0 -. "Top-down
词激活特征" .-> L0
  L1 -- "侧抑制
字母之间互抑" --> L1
  L2 -- "侧抑制
词之间互抑" --> L2

  classDef feature fill:#22c55e26,stroke:#22c55e,color:#dcfce7;
  classDef letter fill:#6366f126,stroke:#6366f1,color:#e8e8f0;
  classDef word fill:#ec489926,stroke:#ec4899,color:#fce7f3;
  class L0 feature;
  class L1 letter;
  class L2 word;

脑解码：从脑活动中「读」出看到的内容

21 世纪视觉认知的另一个重大突破是用 fMRI 直接从脑活动中读出你正在看什么。